[发明专利]基于轻量化网络的视频运动目标检测方法及系统

说明书

本公开提供了一种基于轻量化网络的视频运动目标检测方法及系统，所述方案包括：获取待检测的电力巡检图像，并进行相应预处理；将预处理后的巡检图像输入预先训练好的运动目标检测模型中，输出目标检测结果；其中，所述运动目标检测模型采用SSD网络结构，所述SSD网络结构采用LightNet轻量化网络进行特征提取，所述LightNet轻量化网络包括若干Light单元和卷积层，所述Light单元用于将输入的特征图经卷积核进行通道降维处理；将降维处理的特征图经残差连接单元处理，获得输出的特征图。所述方案能够准确快速的从图像或视频里定位并识别巡检目标，能够实际应用到电力场景下的视频运动目标检测任务中。

技术领域

本公开属于电网巡检影像分析技术领域，尤其涉及一种基于轻量化网络的视频运动目标检测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

随着电网自动化程度的提高，视频监控系统在电网得到广泛应用，在电力应用场景，对现场和设备进行实时监控可以使电网实现真正意义上的无人值守，使电网运行更为安全。

目前流行的电网巡检影像分析技术都基于深度神经网络模型，相比传统在CPU平台上的计算，强大的GPU计算能力大大提高了智能识别模型的计算能力和分析效率；但是，发明人发现，伴随着深度神经网络模型越来越复杂，网络模型的高存储高功耗弊端，严重制约着深度神经网络在计算资源有限的电力应用场景中的推广和应用，特别是依靠前端设备自身计算资源进行电网巡检的场景下，现有的深度神经网络模型从存储空间的占用以及计算资源的使用上均无法满足要求。

发明内容

本公开为了解决上述问题，提供了一种基于轻量化网络的视频运动目标检测方法及系统，所述方案通过自主设计的轻量化的卷积神经网络结构LightNet，作为运动目标检测模型的特征提取模块，实现视频运动目标的前端化实时检测和识别，有效提高了识别精度和识别效率，解决了现有深度学习模型高存储高功耗的弊端。

根据本公开实施例的第一个方面，提供了一种基于轻量化网络的视频运动目标检测方法，包括：

获取待检测的电力巡检图像，并进行相应预处理；

将预处理后的巡检图像输入预先训练好的运动目标检测模型中，输出目标检测结果；

其中，所述运动目标检测模型采用SSD网络结构，所述SSD网络结构采用LightNet轻量化网络进行特征提取，所述LightNet轻量化网络包括若干Light单元和卷积层，所述Light单元用于将输入的特征图经卷积核进行通道降维处理；将降维处理的特征图经残差连接单元处理，获得输出的特征图。

进一步的，所述运动目标检测模型基于SSD网络结构，利用所述LightNet轻量化网络进行不同尺度的特征提取，分别通过不同尺度的特征进行目标识别，获得不同尺度特征下的识别结果，并基于非极大值抑制算法从中获得最优的识别结果。

进一步的，所述运动目标检测模型的训练，具体为：

采集电力巡检视频，将视频分解为图像，对获得的图像进行滤波处理，实现训练数据集的构建；

基于构建的训练数据集，对所述运动目标检测模型进行训练，获得训练好的模型。

进一步的，所述将输入的特征图经卷积核进行通道降维处理，其中，采用的卷积核为1x1的卷积核。

进一步的，所述残差连接单元包括顺序链接的池化层、卷积层和合并模块，所述合并模块用于将残差链接单元的输入及所述卷积层的输出通过concat操作进行合并。

进一步的，所述LightNet轻量化网络包括9个Light单元和两个卷积层。

进一步的，所述预处理包括采用直方图均衡化对图像进行滤波处理。